Kurz: Volání modelu Machine Learning Studia (klasického) v Power BI (Preview)Tutorial: Invoke a Machine Learning Studio (classic) model in Power BI (Preview)

V tomto kurzu si probereme zkušenosti se začleněním přehledů z modelu Azure Machine Learning Studia (klasického) do Power BI.In this tutorial, we walk through the experience of incorporating insights from an Azure Machine Learning Studio (classic) model into Power BI. Tento kurz obsahuje pokyny k udělení přístupu uživateli Power BI k modelu Azure ML, vytvoření toku dat a použití přehledů z modelu Azure ML ve vašem toku dat.This tutorial includes guidance for granting a Power BI user access to an Azure ML model, creating a dataflow, and applying the insights from the Azure ML model to your dataflow. Odkazuje také na příručku rychlého startu pro vytvoření modelu Azure ML, pokud model ještě nemáte.It also references the quickstart guide for creating an Azure ML model if you don't already have a model.

Kurz vás provede následujícími kroky:The tutorial takes you through the following steps:

  • Vytvoření a publikování modelu služby Azure Machine LearningCreate and publish an Azure Machine Learning model
  • Udělení přístupu k použití modelu uživateli Power BIGrant access to a Power BI user to use the model
  • Vytvoření toku datCreate a dataflow
  • Použití přehledů z modelu Azure ML v toku datApply insights from the Azure ML model to the dataflow

Vytvoření a publikování modelu Azure MLCreate and publish an Azure ML model

Postupujte podle pokynů v Návod – krok 1: Vytvořte pracovní prostor Machine Learning Studia (klasického), abyste mohli vytvořit pracovní prostor služby Machine Learning.Follow the instructions at Walkthrough Step 1: Create a Machine Learning Studio (classic) workspace to create a Machine Learning workspace.

Tyto kroky můžete použít s modelem Azure ML nebo datovou sadou, které již máte.You can use these steps with any Azure ML model or dataset you already have. Pokud nemáte publikovaný model, můžete si ho během několika minut vytvořit podle pokynů v článku o vytvoření prvního experimentu datové vědy v Azure Machine Learning Studiu (klasickém), ve kterém se nastavuje model Azure ML pro předpověď cen automobilů.If you don't have a published model, you can create a model in minutes by referring to Create your first data science experiment in Azure Machine Learning Studio (classic), which sets up an Azure ML model for Automobile Price Prediction.

Použijte postup v článku o nasazení webové služby Azure Machine Learning Studio a publikujte model Azure ML jako webovou službu.Follow the steps at Deploy an Azure Machine Learning Studio (classic) web service to publish the Azure ML model as a web service.

Udělení přístupu uživateli Power BIGrant a Power BI user access

Pokud chcete k modelu Azure ML přistupovat z Power BI, musíte mít přístup ke čtení k předplatnému Azure a skupině prostředků a přístup ke čtení k webové službě Azure Machine Learning Studio (klasické) pro modely Machine Learning Studia (klasického).To access an Azure ML model from Power BI, you must have Read access to the Azure subscription and the resource group and Read access to the Azure Machine Learning Studio (classic) web service for Machine Learning Studio (classic) models. Pro model služby Azure Machine Learning potřebujete přístup pro čtení pracovního prostoru služby Machine Learning.For Azure Machine Learning model, you need Read access to the Machine Learning workspace.

Následující postup předpokládá, že jste spolusprávce předplatného Azure a skupiny prostředků, do které byl model publikován.The following steps assume you are the coadministrator for the Azure subscription and resource group to which the model was published.

Přihlaste se na web Azure Portal a přejděte na stránku Předplatná, kterou můžete najít pomocí seznamu Všechny služby v nabídce navigačního podokna.Sign in to the Azure portal, and navigate to the Subscriptions page, which you can find using the All Services list in the nav pane menu.

Snímek obrazovky zobrazuje Azure Portal s vybranou položkou Předplatná.

Vyberte předplatné Azure, které jste použili k publikování modelu, a vyberte Řízení přístupu (IAM) .Select the Azure subscription that you used for publishing the model, and select Access Control (IAM). Dále vyberte Přidat přiřazení role, potom roli Čtenář a vyberte uživatele Power BI.Next select Add role assignment, then select the Reader role, and select the Power BI user. Po dokončení vyberte Uložit.Select Save when you're done. Tyto výběry jsou zobrazeny na následujícím obrázku.The following image shows these selections.

Řízení přístupu k webu Azure Portal

Výše uvedené kroky zopakujte pro udělení přístupu role Přispěvatel uživateli Power BI pro konkrétní webovou službu Machine Learning, do které je model Azure ML nasazený.Then repeat the steps above to grant Contributor role access to the Power BI user for the specific Machine Learning web service to which the Azure ML model has been deployed.

Vytvoření toku datCreate a dataflow

Získání dat pro vytvoření toku datGet data for creating the dataflow

Přihlaste se ke službě Power BI pomocí přihlašovacích údajů uživatele, kterému jste v předchozím kroku udělili přístup k modelu Azure ML.Sign in to the Power BI service with the user credentials for whom you granted access to the Azure ML model in the previous step.

Tento krok předpokládá, že máte data, která chcete pomocí modelu Azure ML vyhodnotit, ve formátu CSV.This step assumes you have the data you want to score with your Azure ML model in CSV format. Pokud jste k vytvoření modelu v Machine Learning Studiu (klasickém) použili experiment s cenami automobilů, použijte k získání sdílené datové sady následující odkaz:If you used the Automobile Pricing Experiment to create the model in the Machine Learning Studio (classic), the dataset for is shared in the following link:

Vytvoření toku datCreate a dataflow

Pokud chcete ve svém toku dat vytvořit entity, přihlaste se ke službě Power BI a přejděte do pracovního prostoru ve vyhrazené kapacitě, která má povolenou verzi Preview umělé inteligence.To create the entities in your dataflow, sign in to the Power BI service and navigate to a workspace on your dedicated capacity that has the AI preview enabled.

Pokud ještě nemáte pracovní prostor, můžete si ho vytvořit výběrem možnosti Pracovní prostory v nabídce vlevo a následným výběrem možnosti Vytvořit pracovní prostor v panelu v dolní části.If you don't already have a workspace, you can create one by selecting Workspaces in the left menu, and then select Create workspace in the panel at the bottom. Otevře se panel, do kterého můžete zadat podrobnosti o pracovním prostoru.This opens a panel to enter the workspace details. Zadejte název pracovního prostoru a pak vyberte Uložit.Enter a workspace name, and then select Save.

Vytvoření pracovního prostoru

Po vytvoření pracovního prostoru můžete v pravém dolním rohu úvodní obrazovky vybrat možnost Přeskočit.After the workspace has been created, you can select Skip in the bottom right of the Welcome screen.

Přeskočit

Vyberte kartu Toky dat (preview) a potom vyberte tlačítko Vytvořit v pravé horní části pracovního prostoru. Potom vyberte tlačítko Tok dat.Select the Dataflows (preview) tab, and then select the Create button at the top right of the workspace, and then select Dataflow.

Toky dat (preview)

Vyberte Přidat nové entity, čímž v prohlížeči spustíte editor Power Query.Select Add new entities, which launches Power Query Editor in the browser.

Přidání nové entity

Jako zdroj dat vyberte soubor Text/CSV.Select Text/CSV File as a data source.

Vybrat zdroj dat

Na další obrazovce se zobrazí výzva pro připojení ke zdroji dat.In the next screen, you're prompted to connect to a data source. Vložte odkaz na data, která jste použili k vytvoření modelu Azure ML.Paste the link to the data you used to create your Azure ML model. Pokud jste použili data Automotive Pricing (Ceny automobilů), můžete do pole cesty k souboru nebo adresy URL vložit následující odkaz a potom kliknout na Další.If you used the Automotive Pricing data, you can paste the following link into the File path or URL box and then Next.

https://raw.githubusercontent.com/MicrosoftLearning/Principles-of-Machine-Learning-Python/master/Module7/Automobile%20price%20data%20_Raw_.csv

Připojit ke zdroji dat

Editor Power Query zobrazí náhled dat ze souboru CSV.Power Query Editor shows a preview of the data from the CSV file. Na pásu karet vyberte příkaz Transformovat tabulku a potom vyberte Použít první řádek jako záhlaví.Select Transform Table from the command ribbon and then select Use first row as headers. Tímto se přidá do podokna Použitý postup vpravo krok dotazu Hlavičky se zvýšenou úrovní.This adds the Promoted headers query step into the Applied steps pane on the right. Dotaz můžete také přejmenovat a dát mu srozumitelnější název, například Automobile Pricing (Ceny aut), pomocí podokna na pravé straně.You can also rename the query to a friendlier name, such as Automobile Pricing using the pane on the right.

Snímek obrazovky s Editorem Power Query zobrazující náhled dat

Naše zdrojová datová sada má neznámé hodnoty nastavené na „?“.Our source dataset has unknown values set to '?'. Tento problém můžeme vyřešit tak, že „?“ nahradíme „0“, abychom zabránili pozdějším chybám.To clean this, we can replace '?' with '0' to avoid errors later for simplicity. Uděláte to tak, že vyberete sloupce normalized-losses (normalizované ztráty), bore (vrt), stroke (zdvih), compression-ratio (kompresní poměr), horsepower (výkon), peak-rpm (nejvyšší výkon (ot./min)) a price (cena) kliknutím na jejich název v záhlaví sloupců, potom kliknete na Transformovat sloupce a vyberete Nahradit hodnoty.To do this, select the columns normalized-losses, bore, stroke, compression-ratio, horsepower, peak-rpm and price by clicking on their name in the column headers, then click on 'Transform columns' and select 'Replace values'. „?“ nahraďte „0“.Replace '?' with '0'.

Nahrazení hodnot

Všechny sloupce v tabulce ze zdroje ve formátu Text/CSV se považují za textové sloupce.All the columns in the table from a Text/CSV source are treated as text columns. Teď budeme muset změnit číselné sloupce na jejich správné datové typy.Next, we need to change the numeric columns to their correct data types. To můžete provést v Power Query tak, že kliknete na symbol datového typu v záhlaví sloupce.You can do this in Power Query by clicking on the data type symbol in the column header. Sloupce změňte na níže uvedené typy:Change the columns to the below types:

  • Celé číslo: symboly, normalizované ztráty, hmotnost prázdného automobilu, objem motoru, výkon, nejvyšší výkon (ot./min), spotřeba ve městě (mil/gal.), spotřeba na dálnici (mil/gal.), cenaWhole number: symboling, normalized-losses, curb-weight, engine-size, horsepower, peak-rpm, city-mpg, highway-mpg, price
  • Desetinné číslo: rozvor kol, délka, šířka, výška, vrtání, zdvih, kompresní poměrDecimal number: wheel-base, length, width, height, bore, stroke, compression-ratio

Změna sloupců

Zavřete editor Power Query výběrem možnosti Hotovo.Select Done to close Power Query Editor. Zobrazí se seznam entit s námi přidanými daty cen aut.This will show the entities list with the Automobile Pricing data we added. V pravém horním rohu vyberte Uložit, zadejte název toku dat a pak vyberte Uložit.Select Save in the top right corner, provide a name for the dataflow, and then select Save.

Uložení toku dat

Aktualizace toku datRefresh the dataflow

Po uložení toku dat se zobrazí oznámení, že se váš tok dat uložil.Saving the dataflow displays a notification that your dataflow was saved. Vyberte Aktualizovat hned a ingestujte data ze zdroje do toku dat.Select Refresh now to ingest data from the source into the dataflow.

Aktualizace toku dat

V pravém horním rohu vyberte Zavřít a počkejte, až se aktualizace toku dat dokončí.Select Close in the upper right corner and wait for the dataflow refresh to complete.

Tok dat můžete aktualizovat také pomocí příkazů Akce.You can also refresh your dataflow using the Actions commands. Po dokončení aktualizace tok dat zobrazí časové razítko.The dataflow displays the timestamp when the refresh is completed.

Ruční aktualizace

Použití přehledů z modelu Azure MLApply insights from your Azure ML model

Pokud chcete získat přístup k modelu Azure ML pro predikci ceny aut, můžete upravit entitu Ceny aut, pro kterou chceme přidat předpokládanou cenu.To access the Azure ML model for Automobile Price Prediction, you can edit the Automobile Pricing entity for which we want to add the predicted price.

Úprava entity

Výběrem ikony Upravit se otevře editor Power Query pro entity ve vašem toku dat.Selecting the Edit icon opens Power Query Editor for the entities in your dataflow.

Upravit

Na pásu karet vyberte tlačítko Přehledy AI a pak v nabídce navigačního podokna vyberte složku Modely Azure Machine Learningu.Select the AI Insights button in the ribbon, and then select the Azure Machine Learning Models folder from the nav pane menu.

Modely Azure ML, ke kterým vám byl udělen přístup, jsou uvedené jako funkce Power Query s předponou AzureML.The Azure ML models to which you've been granted access are listed as Power Query functions with a prefix AzureML. Když kliknete na funkci odpovídající modelu AutomobilePricePrediction, zobrazí se parametry pro webovou službu modelu jako parametry funkce.When you click on the function corresponding to the AutomobilePricePrediction model, the parameters for the model's web service are listed as function parameters.

K vyvolání modelu Azure ML můžete jako vstup z rozevíracího seznamu určit libovolný sloupec vybrané entity.To invoke an Azure ML model, you can specify any of the selected entity's columns as an input from the drop-down. Dále můžete určit konstantní hodnotu, která se má použít jako vstup, přepnutím ikony sloupce vlevo od vstupního dialogového okna.You can also specify a constant value to be used as an input by toggling the column icon to the left of the input dialog. Pokud název sloupce odpovídá jednomu z názvů parametrů funkce, potom se tento sloupec automaticky navrhne jako vstup.When a column name that matches one of the function parameter names, then the column is automatically suggested as an input. Pokud název sloupce neodpovídá, můžete ho vybrat v rozevíracím seznamu.If the column name doesn't match, you can select it from the drop-down.

V případě modelu Automobile Pricing Prediction (Predikce cen aut) jsou vstupní parametry tyto:In the case of the Automobile Pricing Prediction model, the input parameters are:

  • značkamake
  • karosériebody-style
  • rozvor kolwheel-base
  • objem motoruengine-size
  • výkonhorsepower
  • nejvyšší výkon (ot./min)peak-rpm
  • spotřeba na dálnici (mil/gal.)highway-mpg

Vzhledem k tomu, že v našem případě tabulka odpovídá původní datové sadě použité pro trénování modelu, mají všechny parametry už vybrané správné sloupce.In our case, since our table matches the original dataset used to train the model, all the parameters have the correct columns already selected.

Trénování modelu

Výběrem možnosti Volat si zobrazte náhled výstupu modelu Azure ML jako nový sloupec v tabulce entity.Select Invoke to view the preview of the Azure ML model's output as a new column in the entity table. Volání modelu se také zobrazí jako použitý krok dotazu.You'll also see the model invocation as an applied step for the query.

Výstup tohoto modelu se zobrazí jako záznam ve výstupním sloupci.The output of the model is shown as a record in the output column. Sloupec můžete rozbalit a vytvořit jednotlivé výstupní parametry v samostatných sloupcích.You can expand the column to produce individual output parameters in separate columns. V našem případě nás zajímá jenom sloupec Scored Labels (Vyhodnocené značky), který obsahuje předpokládanou cenu automobilu.In our case, we're only interested in the Scored Labels which contains the predicted price of the automobile. Proto zrušíme výběr ostatních a vybereme OK.So we deselect the rest, and select OK.

Výstup modelu

Výsledný sloupec Scored Labels (Vyhodnocené značky) obsahuje predikci ceny z modelu Azure ML.The resulting Scored Labels column has the price prediction from the Azure ML model.

Vyhodnocené značky

Jakmile tok dat uložíte, model Azure ML se automaticky vyvolá při aktualizaci toku dat pro jakékoli nové nebo aktualizované řádky v tabulce entity.Once you save your dataflow, the Azure ML model will be automatically invoked when the dataflow is refreshed for any new or updated rows in the entity table.

Vyčištění prostředkůClean up resources

Pokud už nepotřebujete prostředky Azure vytvořené pomocí tohoto článku, odstraňte je, abyste se vyhnuli případným poplatkům.If you no longer need the Azure resources you created using this article, delete them to avoid incurring any charges. Můžete odstranit i vámi vytvořené toky dat, pokud už je nepotřebujete.You can also delete the dataflows you created, if you no longer require them.

Další krokyNext steps

V tomto kurzu jste vytvořili jednoduchý experiment pomocí Azure Machine Learning Studia (klasického). Použili jste jednoduchou datovou sadu a tento postup:In this tutorial, you created a simple experiment using Azure Machine Learning Studio (classic) using a simple dataset using these steps:

  • Vytvoření a publikování modelu služby Azure Machine LearningCreate and publish an Azure Machine Learning model
  • Udělení přístupu k použití modelu uživateli Power BIGrant access to a Power BI user to use the model
  • Vytvoření toku datCreate a dataflow
  • Použití přehledů z modelu Azure ML v toku datApply insights from the Azure ML model to the dataflow

Další informace o integraci Azure Machine Learning do Power BI najdete v tématu Integrace služby Azure Machine Learning do Power BI (Preview).For more information about Azure Machine Learning integration in Power BI, see Azure Machine Learning integration in Power BI (Preview).